Aprendizaje federado.

Paradigma de aprendizaje automático distribuido en el que muchos clientes entrenan un modelo bajo un coordinador central manteniendo sus datos en el dispositivo. Pertenece a la categoría de Criptografía en ciberseguridad.

Paradigma de aprendizaje automático distribuido en el que muchos clientes entrenan un modelo bajo un coordinador central manteniendo sus datos en el dispositivo.

El aprendizaje federado (Federated Learning, FL) entrena un modelo compartido de aprendizaje automático entre numerosos participantes —móviles, hospitales, bancos— sin centralizar los datos. Cada cliente calcula un gradiente o actualización local sobre sus propios datos y envía únicamente esa actualización a un agregador, que las combina (a menudo mediante FedAvg) en un nuevo modelo global. Como las actualizaciones aún pueden filtrar información, los despliegues modernos añaden protecciones criptográficas: agregación segura, privacidad diferencial y, en ocasiones, cifrado homomórfico o MPC. Google introdujo el FL en 2017 para las sugerencias del teclado Gboard, y hoy se utiliza ampliamente en imagen médica, detección de fraude interbancaria y personalización en dispositivo de LLM.

Las defensas contra Aprendizaje federado combinan habitualmente controles técnicos y prácticas operativas, como se detalla en la definición.

Nombres alternativos comunes: FL, Aprendizaje automático federado.